MBE定义为预测值与真实值之间差异的平均值，因此您可以使用两个数据源之间的简单平均差异来计算MBE：

import numpy as np
data_true = np.random.randint(0,100,size=100)
data_predicted = np.random.randint(0,100,size=100) - 50
MBE = np.mean(data_predicted - data_true) #here we calculate MBE

请注意，我从预测值中减去了50，只是为了能够观察到预测实际上与真实值存在偏差。

我也没有找到一个计算它的库，但是你可以试试这个：

def MBE(y_true, y_pred):
    '''
    Parameters:
        y_true (array): Array of observed values
        y_pred (array): Array of prediction values

    Returns:
        mbe (float): Biais score
    '''
    y_true = np.array(y_true)
    y_pred = np.array(y_pred)
    y_true = y_true.reshape(len(y_true),1)
    y_pred = y_pred.reshape(len(y_pred),1)   
    diff = (y_true-y_pred)
    mbe = diff.mean()
    print('MBE = ', mbe)

由于平均偏差误差公式为：Mean Bias Error
你可以这样处理：

import numpy as np

def mean_bias_error(true, pred):
    mbe_loss = np.sum(true - pred)/true.size
    return mbe_loss

或

def mean_bias_error(true, pred):
    mbe_loss = np.mean(true - pred)
    return mbe_loss